使用 SIMD AVX 计算两个排序数组的对称差的大小答案

【问题标题】：Computing size of symmetric difference of two sorted arrays using SIMD AVX使用 SIMD AVX 计算两个排序数组的对称差的大小
【发布时间】：2017-04-06 10:51:10
【问题描述】：

我正在寻找一种方法来优化我正在研究的算法。它是最重复的，因此计算密集的部分是比较任何大小的两个排序数组，包含唯一的无符号整数 (uint32_t) 值，以获得它们的对称差异的大小（仅存在于其中之一中的元素数量）向量）。将部署算法的目标机器使用支持 AVX2 的英特尔处理器，因此我正在寻找一种使用 SIMD 就地执行它的方法。

有没有办法利用 AVX2 指令来获得两个无符号整数的排序数组的对称差的大小？

【问题讨论】：

一般问题不被接受的原因是答案太模糊而无用：“当然，可能有一种方法可以使用 AVX 来加速这样的操作，但听起来很有挑战性。 "在不知道集合的一般大小、数据类型（整数？浮点数？字符串？）、值的范围、数据结构等的情况下，无话可说。
@Peter 谢谢你的评论。我编辑了这个问题，我希望现在更准确。这些集合基本上是具有任意大小的唯一无符号整数数组。
@PaulR 谢谢，我是AVX2，我会编辑帖子。

标签： c++ algorithm sse simd avx

【解决方案1】：

由于两个数组都已排序，因此使用 SIMD (AVX2) 实现此算法应该相当容易。您只需要同时遍历两个数组，然后当比较两个 8 个整数的向量时出现不匹配时，您需要解决不匹配问题，即计算差异，并使两个数组索引恢复同相，并且继续，直到您到达其中一个数组的末尾。然后只需添加另一个数组中剩余元素的数量（如果有）即可获得最终计数。

【讨论】：

感谢您的回答！这就是我的算法现在的工作方式——除了它比较单个标量，而不是向量。我猜只有在遇到 8 个整数的匹配向量时，使用向量进行比较才有用——这不是最常见的情况。因此，我正在寻找一些替代方案。
是的，我应该说它的效率将取决于不匹配的稀疏程度——如果它们以如此高的速度发生，以至于几乎每个向量比较都发现不匹配，那么你重新可能不会从 SIMD 中获得胜利。（对于相对稀疏的不匹配（大多数向量匹配）虽然这可能是一个巨大的胜利。）

【解决方案2】：

除非您的数组很小（例如

如果预计对称差的大小非常小，则使用 PaulR 描述的方法。如果预计尺寸很大（如元素总数的 10%），那么矢量化它会遇到很大的麻烦。优化标量解决方案要容易得多。

写了好几个版本的代码，对我来说最快的是：

int Merge3(const int *aArr, int aCnt, const int *bArr, int bCnt, int *dst) {
    int i = 0, j = 0, k = 0;
    while (i < aCnt - 32 && j < bCnt - 32) {
        for (int t = 0; t < 32; t++) {
            int aX = aArr[i], bX = bArr[j];
            dst[k] = (aX < bX ? aX : bX);
            k += (aX != bX);
            i += (aX <= bX);
            j += (aX >= bX);
        }
    }
    while (i < aCnt && j < bCnt) {
       ... //use simple code to merge tails

这里的主要优化是：

在块中执行合并迭代（每个块 32 次迭代）。这允许将停止标准从(i < aCnt && j < bCnt) 简化为t < 32。大部分元素都可以这样做，尾部可以用慢代码处理。
以无分支方式执行迭代。注意三元运算符编译成cmov指令，比较编译成setXX指令，所以循环体中没有分支。输出数据使用众所周知的技巧存储：写入所有元素，但只为有效元素增加指针。

我还尝试了什么：

（无向量化）执行 (4 + 4) 双调合并，检查连续元素是否重复，移动指针以便跳过 4 min 元素（总共）：得到 4.95ns 和 4.65ns --- 稍微差一点。
（完全矢量化）成对比较 4 x 4 个元素，将比较结果提取到 16 位掩码中，通过完美哈希函数传递，使用 _mm256_permutevar8x32_epi32 和 128 项 LUT 得到排序的 8 个元素，检查连续元素是否重复，使用_mm_movemask_ps + 16-entry LUT + _mm_shuffle_epi8 仅存储最少 4 个元素中的唯一元素：获得 4.00ns 与 4.65ns --- 略好。

这里是file with solutions 和file with perfect hash + LUT generator。

附：请注意，集合交集的类似问题已解决here。该解决方案与我在上面第 2 点中概述的有点相似。

【讨论】：